研究自然语言理解在人工智能领域的挑战，结合认知科学、 心理学、思维哲学和认知语言学的见解，评估目前的方法和挑战。

Jun, 2022

该论文讨论了使用深度学习技术进行自然语言理解的联合任务，包括意图检测和槽填充，介绍了 Spoken Language Understanding/Natural Language Understanding（SLU/NLU）技术和用于解决该问题的最新自然语言处理和深度学习技术，以及如何提高性能的一些方法。

Dec, 2022

本文提出了一种可扩展且自动的方法，通过利用隐式用户反馈来改进大规模对话 AI 系统中的自然语言理解 (NLU)。我们基于用户交互数据和对话上下文，提出了一个通用的领域无关框架，以改进来自生产流量的 NLU 新监督数据。通过广泛的实验，我们展示了应用该框架并改进大规模生产系统中的 NLU 的结果，并展示了其在 10 个领域的影响。

Oct, 2020

语言是理解和交流情境的关键，而语言处理系统使用类似人脑的神经网络以及查询注意力等方法来提高其能力，但当前的模型主要集中在内部语言任务上，限制其理解情境的能力，因此需要未来的模型应用认知神经科学和人工智能来扩展理解任务。

Dec, 2019

人工智能领域，大型语言模型在自然语言处理方面的前所未有的进步为重新考虑传统的机器智能度量提供了机会。本文提出了从既定的图灵测试转向以语言习得为核心的全面框架，受到了大型语言模型最新进展的启发。

Sep, 2023

机器能否理解自然语言？该研究评估了人工智能生成型大型语言模型 (LLMs) 的最新发展，批评了把机器语言表现仅视为语法操作和模拟理解的传统哲学假设，并强调了将自然语言理解归因于最先进的 LLMs 的关键条件，认为 LLMs 不仅仅使用语法，还使用语义，理解不是模拟而是复制，同时确定了它们如何给予语言表达的意义基础。

Oct, 2023

该论文提出了一种基于知识驱动的语义表示方法，它使用 VerbNet 词典将文本的语法树映射到它的常识意义，这个通用知识可用于构建基于推理的 NLU 系统，且能提供解释。作者将此方法应用于构建了 SQuARE 和 StaCACK 两个 NLU 应用程序，并展示了这两个系统的高准确性与能力。

Jan, 2021

基于 AI 在自然语言理解和生成方面的革命性进展，我们设计了能够解决复杂科学任务的 AI 系统，并将自然语言作为 AI 与人类科学家之间的核心表示、推理和交换格式。本文旨在探讨实现这一愿景所面临的主要研究挑战。

Oct, 2022

自计算机发明以来，通过自然语言进行沟通一直是一项梦想技术，但是自然语言非常难以进行数学表达，使得在不考虑程序设计的情况下很难将其实现为算法。然而，近年来深度学习在当代人工智能技术中发挥了核心作用，尤其是在自然语言处理领域，取得了前所未有的成果。本报告提供了前沿的自然语言处理技术如何实现 “熟能生巧” 的技术解释，并提供了其在商业应用中的示例。

Oct, 2023

本文介绍了一些简单而有效的模型，以从自动语音识别模块获取的 N（N 为一个任意数）-best 解释中共同挖掘语音信号的语义信息，提高现代口语理解系统的性能。

Jan, 2020